Verkennen en ondersteunen van grondradar implementatie
Guest User
Projecttype || PhD-project
Kandidaat || Ramon ter Huurne
Projectduur || Feb 2019 - Feb 2023
In samenwerking met: Alliander, GasUnie, MapXact
Omschrijving:
Graafschades vormen een aanzienlijke uitdaging voor de bouwsector. Alleen al in 2022 werden bijna 47 duizend van dergelijke incidenten gerapporteerd. Deze graafschades leiden tot kostbare herstelwerkzaamheden, verstoring van de nutsvoorziening, milieuschade en veiligheidsrisico's. Hoewel er methoden bestaan om kabels en leidingen te detecteren vóór aanvang van graafwerkzaamheden, schieten deze doorgaans tekort. Nutskaarten kunnen onnauwkeurig of onvolledig zijn, terwijl proefsleuven slechts lokale inzichten bieden en bovendien disruptief zijn. Grondradar biedt daarentegen een niet-disruptief alternatief dat de praktijk van kabel- en leidingdetectie mogelijk kan verbeteren, en daarmee het aantal graafschades kan verminderen.
Illustratief voor het destructieve karakter van de proefsleuf
Echter, om GPR effectief te kunnen benutten, is een unieke combinatie van bouwkundige expertise en geofysische kennis vereist, die vaak ontbreekt in de praktijk. Dit leidt tot onsuccesvolle toepassingen van GPR, wat organisaties ontmoedigt om het te overwegen voor toekomstige bouwprojecten. Als gevolg hiervan blijft het potentieel van GPR binnen praktijken voor het inspecteren van nutsvoorzieningen grotendeels onbenut.
Dit proefschrift heeft als doel de praktijken voor het inspecteren van nutsvoorzieningen met behulp van GPR te verbeteren door de ontwikkeling, evaluatie en implementatie van beslismodellen die worden aangedreven door machine learning. Het omvat vijf onderzoeksresultaten, verdeeld in fasen van probleemverkenning en oplossingsontwikkeling.
In de fase van probleemonderzoek is dieper ingegaan op de besluitvorming omtrent het inzetten van GPR. Hierbij is het perspectief van 'technology-in-practice' gebruikt. Door gebruik te maken van de theoretische kaders van routine dynamiek en Cultureel-Historische Activiteitstheorie (CHAT) is het gebruik van GPR geconceptualiseerd, inclusief overwegingen over wanneer, waar en hoe het toe te passen. Dit heeft geleidt tot een drietal wetenschappelijke studies, die:
… verklaren hoe de Nederlandse detectiepraktijk met daarin de rol van de grondradar eruit ziet;
… uiteenzetten welke ‘triggers’ verkenning en adoptie van de grondradar faciliteren;
… presenteren hoe de grondradar in toekomstige activiteitensystemen zijn waarde kan hebben.
Voor de fase van oplossingsontwikkeling werd input verkregen uit de geïdentificeerde toepassingen van GPR. Deze fase omvatte het voorbereiden van een dataset met alle verzamelde veldwerkgegevens en het ontwikkelen en beoordelen van verschillende soorten machine learning-aangedreven beslismodellen. Dit heeft geleidt tot een tweetal wetenschappelijke publicaties, die:
… een dataset presenteren van 125 detectie-activiteiten waarin de grondradar werd toegepast;
… uiteenzetten welk machine-learning model (Case-Based Reasoning, Decision Trees, Random Forest, en Support Vector machine) het beste presteert ten behoeve van het ondersteuning van grondradar gebruik.
De bevindingen van dit proefschrift en de automatiseringsoplossingen kunnen de adoptie van GPR versnellen, waardoor de effectiviteit, efficiëntie en veiligheid van de detectie van kabels en leidingen verbeterd worden, en mogelijk bijdragen aan het verminderen van schade aan nutsvoorzieningen als gevolg van graafwerkzaamheden.